論文の概要: Demonstration of the common dual-channel feature decoupling characteristic of front-door mediation causal inference methods in whole-slice image classification
- arxiv url: http://arxiv.org/abs/2607.12376v1
- Date: Tue, 14 Jul 2026 05:49:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.045318
- Title: Demonstration of the common dual-channel feature decoupling characteristic of front-door mediation causal inference methods in whole-slice image classification
- Title（参考訳）: 全スライス画像分類における前室中隔因果推論手法の共通二重チャネル特徴デカップリング特性の実証
- Abstract要約: 因果推論は、デジタル病理学における全スライド画像(WSI)の解析を進歩させた。
これらの手法は、微妙な証拠のサブイメージの特徴分布を調整し、それらをWSIレベルの診断と正しく関連付ける。
このような方法を評価するための仮説を2つ提案し, 証明する。
- 参考スコア（独自算出の注目度）: 13.983194928540165
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Causal inference using front door intervention and multi-instance learning (MIL) has advanced the analysis of Whole Slide Images (WSI) in digital pathology. These methods adjust feature distributions of subtle evidence sub-images to correctly associate them with WSI-level diagnoses. We propose and prove 2 hypotheses for evaluating such methods: 1) Causal inference MIL introduces an independent classification channel that effectively completes WSI classification; 2) Greater difference between features extracted by the new and baseline channels increases effectiveness in eliminating false correlations. This hypothesis describes the core of causal inference MILs: overlaying parallel, independent channels to eliminate false associations between WSI-level diagnostic and non-diagnostic evidence sub-images by increasing deep feature diversity. Based on these hypotheses, we evaluated several causal inference MILs on breast cancer and non-small cell lung cancer datasets. This hypothesis provides a new theoretical perspective for applying causal inference to WSI analysis.
- Abstract（参考訳）: 正面ドア介入とマルチインスタンス学習(MIL)を用いた因果推論は,デジタル病理学における全スライド画像(WSI)の解析を進歩させた。
これらの手法は、微妙な証拠のサブイメージの特徴分布を調整し、それらをWSIレベルの診断と正しく関連付ける。
このような方法を評価するための仮説を2つ提案し、証明する。
1) 因果推論MILは、WSI分類を効果的に完了する独立した分類チャンネルを導入する。
2)新しいチャネルとベースラインチャネルで抽出した特徴のより大きな差は,偽相関を除去する効果を増大させる。
この仮説は、WSIレベルの診断と非診断的エビデンスの間の偽の関連を排除するために、深い特徴の多様性を増大させることにより、並列で独立したチャネルをオーバーレイすることで、因果推論のコアを記述している。
これらの仮説に基づいて乳がんおよび非小細胞肺癌データセットに対するいくつかの因果推論MILを評価した。
この仮説は、WSI分析に因果推論を適用するための新しい理論的視点を提供する。
関連論文リスト
- Registration-Grounded Spectral Fusion for Unregistered WLI/NBI Endoscopic Lesion Segmentation [87.5409605461001]
ホワイトライト・イメージング (WLI) と狭帯域・イメージング (NBI) は内視鏡的病変を補完する画像を提供する。
彼らの対の観測はしばしば、視点の変化、組織変形、シーケンシャルハンドヘルド取得によって空間的に不一致である。
We propose a reliability-aware complex-domain fusion framework for paired-but-unregistered WLI/NBI lesion segmentation。
論文 参考訳（メタデータ） (2026-07-29T02:09:28Z) - MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning [66.94527468532843]
2段階の診断推論フレームワークであるMultiDxを提案する。
まず Web 検索,SOAP 形式の症例,臨床症例データベースから知識を活用することにより,疑わしい診断と推論経路を生成する。
そして、マッチング、投票、および差分診断を通じて、複数のパースペクティブエビデンスを統合し、最終的な予測を生成する。
論文 参考訳（メタデータ） (2026-04-27T08:46:29Z) - CausalDisenSeg: A Causality-Guided Disentanglement Framework with Counterfactual Reasoning for Robust Brain Tumor Segmentation Under Missing Modalities [14.27898790157402]
臨床的には, マルチモーダル脳腫瘍セグメント化のための深層学習モデルの堅牢性は, 不完全なMRIデータによって著しく損なわれている。
この脆弱性は主として、モデルが真の解剖学的構造を学ぶのではなく、急激な相関をショートカットとして活用するモダリティバイアスに由来する。
本稿では,因果的誘導的絡み合いと反ファクト的推論によりロバストなセグメンテーションを実現する構造因果モデル(SCM)を新たに構築したCausalDisenSegを提案する。
論文 参考訳（メタデータ） (2026-04-15T02:20:09Z) - Dialectic-Med: Mitigating Diagnostic Hallucinations via Counterfactual Adversarial Multi-Agent Debate [2.645243404278707]
本稿では,対数弁証法を用いて診断厳格を強制するマルチエージェントフレームワークDialectic-Medを提案する。
ファリシフィケーションの認知過程を明示的にモデル化することにより、診断的推論が検証された視覚領域にしっかりと根付いていることを保証する。
論文 参考訳（メタデータ） (2026-04-13T10:09:36Z) - Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。
消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。
本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-21T07:47:37Z) - MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。
因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。
MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文 参考訳（メタデータ） (2025-11-14T06:47:21Z) - Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants [20.751445296400316]
本稿では,高次累積を用いた線形非ガウス非巡回モデル (lvLiNGAM) における因果効果の同定について検討する。
因果効果が一つのプロキシや機器で識別可能であることを証明し、対応する推定方法を提案する。
論文 参考訳（メタデータ） (2025-06-05T16:14:35Z) - Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。
CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。
3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
論文 参考訳（メタデータ） (2025-03-11T17:59:00Z) - Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。
ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。
本稿では,複数視点因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-02-27T14:06:14Z) - Position: From Correlation to Causation: Max-Pooling-Based Multi-Instance Learning Leads to More Robust Whole Slide Image Classification [51.95824566163554]
我々は、十分に訓練された最大プーリングに基づくMILモデルが因果関係に基づく予測を行い、素早い相関に頼らずにすむことを論じる。
提案手法は,2つのデータセットにおいて,既存の注目度に基づく手法よりも優れている。
論文 参考訳（メタデータ） (2024-08-18T12:15:22Z) - Establishing Causal Relationship Between Whole Slide Image Predictions and Diagnostic Evidence Subregions in Deep Learning [3.5504159526793924]
Causal Inference Multiple Instance Learning (CI-MIL)は、サブイメージの認識の混乱を軽減するために配布外一般化を利用する。
CI-MILは、その選択された領域が基底真理アノテーションと高い一貫性を示すため、優れた解釈可能性を示す。
論文 参考訳（メタデータ） (2024-07-24T11:00:08Z) - A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。
我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
論文 参考訳（メタデータ） (2023-11-27T17:40:02Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。